class: inverse,left, middle background-image: url(data:image/png;base64,#background.png) background-size: cover <img src="data:image/png;base64,#LOGO_DIPLOMADO.png" width="500px"/> ##Módulo 3: Aplicaciones ### Aplicaciones (Parte 1) MatÃas Olea <br> <a href="https://orcid.org/0000-0003-0194-7784"> ORCID </a><br> matias.olea@pucv.cl</a><br> .large[<b><a href="https://www.pucv.cl/uuaa/site/edic/base/port/labgrs.html">LabGRS</a> | Septiembre 2022</b>] <br> --- class: center,middle background-image: url(data:image/png;base64,#labgrs_logo.png) background-size: 35% --- ## ¿Qué aprenderemos en esta unidad? Aprenderemos ... -- 1) Indices espectrales. -- 2) Clasificación no supervisada. -- 3) Clasificación supervisadas. -- 4) Detección y análisis de cambios. --- #### Indices espectrales Los **Ãndices** son operaciones matemáticas aplicadas a las bandas espectrales, que permiten discriminar con mayor claridad algunos elementos presentes en una imagen. Al ser **Ãndices espectrales**, es muy importante conocer la firma espectral (o signatura espectral) del objeto que se quiere estudiar para entender la lógica detrás del Ãndice aplicado. Por lo general, los Ãndices espectrales se basan en las regiones de mayor y menor absorción, o de mayor y menor reflexión. <center><img src="data:image/png;base64,#imagen1.png" width="800px"/></center> --- #### Firmas espectrales: vegetación <center><img src="data:image/png;base64,#imagen2.png" width="1200px"/></center> --- #### Firmas espectrales: variaciones en vegetación <center><img src="data:image/png;base64,#imagen3.png" width="1200px"/></center> --- #### Firmas espectrales: vegetacion desde satélites <center><img src="data:image/png;base64,#lanvege.png" width="800px"/></center> .footnote[ <span style="font-size:9pt"> Ejemplos de Firma espectral desde Landsat 8 </span> ] --- #### Firmas espectrales: agua y nieve <center><img src="data:image/png;base64,#imagen4.png" width="1200px"/></center> .footnote[ <span style="font-size:9pt"> Ilustración: USGS </span> ] --- #### Firmas espectrales: variaciones en agua <center><img src="data:image/png;base64,#imagen5.png" width="800px"/></center> .footnote[ <span style="font-size:9pt"> Ilustración: Mascarenhas & Keck, 2018. </span> ] --- #### Firmas espectrales: variaciones en agua <center><img src="data:image/png;base64,#imagen6.png" width="800px"/></center> .footnote[ <span style="font-size:9pt"> Ilustración: Mascarenhas & Keck, 2018. </span> ] --- #### Firmas espectrales: variaciones en agua desde satélites <center><img src="data:image/png;base64,#firma_agua.jpg" width="600px"/></center> .footnote[ <span style="font-size:9pt"> Ejemplos de Firma espectral desde Sentinel-2 </span> ] --- #### Firmas espectrales: variaciones en nieve <center><img src="data:image/png;base64,#imagen7.png" width="800px"/></center> .footnote[ <span style="font-size:9pt"> Ilustración: Biermann et al. (2020). </span> ] --- #### Firmas espectrales: variaciones en nieve desde satélites <center><img src="data:image/png;base64,#imagen8.png" width="450px"/></center> .footnote[ <span style="font-size:9pt"> Ejemplos de Firma espectral desde Landsat 8 </span> ] --- #### Indices espectrales Los Ãndices espectrales corresponden a una de las formas más sencillas de obtener información cuantitativa a partir de una imagen satelital. Entre los dos grandes grupos de Ãndices, están los de diferencia normalizada y los no normalizados. **Diferencia normalizada**: Se basan en la resta de dos bandas (espectros) que son opuestos en términos de reflectancia. Es decir, resta la banda espectral donde el objeto estudiado tiene mayor % de reflectancia, con la que tiene menor reflectancia. Luego divide este valor por la suma de ambas bandas. Este cociente u operación de bandas, permite tener como resultado valores de un Ãndice que van desde el -1 hasta el +1, donde los valores positivos más altos evidencian zonas donde el objeto que estamos estudiando se concentra con mayor abundancia. **No normalizados**: Éstos a diferencia de los normalizados, no tienen un rango definido pueden alcanzar o superar el valor ±1 y la interpretación de los resultados va a depender de la operación que se realice, por lo que tanto los valores positivos o negativos pueden representar el objeto que se está estudiando. En este tipo de Ãndices, no necesariamente se trabaja con solamente un par de bandas espectrales. --- ### Ejemplos de Ãndices <center><img src="data:image/png;base64,#indices.png" width="900px"/></center> --- ### Ejemplos de Ãndices <center><img src="data:image/png;base64,#saturacion.jpg" width="700px"/></center> .footnote[ <span style="font-size:9pt"> Chávez R.O. et al. (2013) </span> ] --- ### Ejemplos de Ãndices: NDVI <center><img src="data:image/png;base64,#ndvi.png" width="900px"/></center> --- ### Ejemplos de Ãndices: NDSI <center><img src="data:image/png;base64,#ndsi.png" width="900px"/></center> --- ### Ejemplos de Ãndices: NDWI <center><img src="data:image/png;base64,#ndwi.png" width="900px"/></center> --- ### Ejemplos de Ãndices: ICEDEX <center><img src="data:image/png;base64,#icedex.png" width="900px"/></center> --- ### Aplicando algunos indices en R Ahora para nuestro ejemplo, trabajaremos con la imagen que corregimos en la la clase anterior. Si no pudo realizar el ejercicio, en el Aula Virtual se encuentran los resultados con las 7 bandas espetrales. ```r library(terra) img <- rast("C:/YourFolder/Topocor_20200501_minnaert.tif") plotRGB(img, r=4,g=3,b=2, stretch="lin") ``` <img src="data:image/png;base64,#Aplicaciones_1_files/figure-html/unnamed-chunk-2-1.png" width="100%" /> --- ### Aplicando algunos indices en R ```r ndvi <- (img[[5]]-img[[4]])/(img[[5]]+img[[4]]) plot(ndvi, col=viridis::viridis(9)) ``` <img src="data:image/png;base64,#Aplicaciones_1_files/figure-html/unnamed-chunk-3-1.png" width="100%" /> --- ### Aplicando algunos indices en R ```r icedex <- (img[[5]]/img[[4]])-(img[[5]]/img[[6]]) plot(icedex,range=c(-10,10),col=rev(RColorBrewer::brewer.pal(7,"GnBu"))) ``` <img src="data:image/png;base64,#Aplicaciones_1_files/figure-html/unnamed-chunk-4-1.png" width="100%" /> --- ### Aplicando algunos indices en R ```r ndwi <- (img[[3]]-img[[5]])/(img[[3]]+img[[5]]) plot(ndwi,col=RColorBrewer::brewer.pal(7,"GnBu")) ``` <img src="data:image/png;base64,#Aplicaciones_1_files/figure-html/unnamed-chunk-5-1.png" width="100%" /> --- ### BibliografÃa Chuvieco, Emilio (2010). Teledeteccion Ambiental. La Observacion de la Tierra Desde el Espacio. R.O. Chávez, J.G.P.W. Clevers, M. Herold, M. Ortiz, E. Acevedo, Modelling the spectral response of the desert tree Prosopis tamarugo to water stress, International Journal of Applied Earth Observation and Geoinformation, Volume 21. https://doi.org/10.1016/j.jag.2012.08.013. Jia, Xiuping (2006). Remote Sensing Digital Image Analysis: An Introduction. 10.1007/3-540-29711-1. Thenkabail, P.S. (2016) Remote Sensing Handbook Vol. 1: Remotely sensed data characterization, classification, and accuracies. Taylor & Francis Group. Wegmann M., Leutner B., Dech S. (2016) Remote Sensing and GIS for Ecologists Using Open Source Software. Ed. Pelagic --- class: inverse middle 